Importaciones Colombianas vía marítima

Contexto

Esta serie consta del valor FOB en dólares de las importaciones que llegan a los puertos de Colombia vía marítima y su destino final es la ciudad de Bogotá, en el periodo transcurrido entre enero del 2012 hasta diciembre de 2021, la serie es de tipo mensual.

Definición: El valor FOB en dólares de la mercancía, es valor de la mercancía en el momento que se carga a bordo del medio de transporte, en este caso el marítimo.

La serie consta de 120 observaciones, lo que corresponde a los 10 transcurridos desde el 2012 hasta el 2021

# 1.000'000.000
vafodo <- ts(importaciones[,3], start = c(2012, 01), frequency =12)/1000000000
plot(vafodo, ylab = "Miles de millones de dólares", main = "Valor FOB", lw =2)

Visualmente vemos que la serie presenta una tendencia, una varianza no constante y

1. Parte descriptiva

1.1 Estabilización de la varianza

Transformación de Box-Cox

serie <- vafodo
a <- MASS::boxcox(lm(serie ~ 1), seq(-1, 1, length = 50))

BC.m <- a$x[which.max(a$y)]
BC.f <- forecast::BoxCox.lambda(serie, method = "loglik", 
                        lower = -1,
                        upper = 1) 
# Transformación logarítmica 
lserie <- log(vafodo)
a <- MASS::boxcox(lm(lserie ~ 1), seq(-2, 2, length = 50))

BC.ml <- a$x[which.max(a$y)]
BC.fl <- forecast::BoxCox.lambda(lserie, method = "loglik", 
                        lower = -2,
                        upper = 2) 

c(BC.f, BC.fl, BC.m, BC.ml)

## [1] -0.2500000 -0.2000000 -0.1919192 -0.1414141

Los valores de \(\lambda\) obtenidos por el método de Box-Cox tanto en el paquete MASS, como en el paquete forecast, son diferentes de 1 e inferiorese a 0, además el intervalo de confianza para \(\lambda\) no captura el 1, por lo que se usará la transformación logarítmica. Una vez aplicada, notamos que el intervalo de confianza caputra al 1, por otra parte los valores de \(\lambda\) siguen siendo inferiores a 0.

1.2 Estimación de la tendencia

fit_lserie <- lm(lserie ~time(lserie), na.action = NULL)
summary(fit_lserie)

## 
## Call:
## lm(formula = lserie ~ time(lserie), na.action = NULL)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -0.6748 -0.1490  0.0355  0.2354  0.5725 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -3.251e+02  1.920e+01  -16.93   <2e-16 ***
## time(lserie)  1.630e-01  9.521e-03   17.12   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.3011 on 118 degrees of freedom
## Multiple R-squared:  0.713,  Adjusted R-squared:  0.7106 
## F-statistic: 293.2 on 1 and 118 DF,  p-value: < 2.2e-16

# Grafico
plot(lserie, lw = 2, main = "Valor FOB en escala log", ylab = "Log de miles de millones de dólares")
abline(fit_lserie, col = "blue", lw = 2)

# Eliminando la tendencia
lserie.sin.tend <- lserie - predict(fit_lserie)
plot(lserie.sin.tend, main = "Valor FOB en escala log sin tendencia", lw =2)

acf(lserie, lag.max = length(lserie))

acf(lserie.sin.tend, lag.max = length(lserie.sin.tend))

1.3 Promedio móvil

descomposicion_lserie <- decompose(lserie)
plot(descomposicion_lserie)

1.4 Tendencia desde el STL

indice_lserie <- as.Date(as.yearmon(tk_index(lserie)))
indice_lserie1 <- yearmonth(as.yearmon(tk_index(lserie)))


# Forma alternativa de extraer el indice
df_lserie <- data.frame(Fecha = indice_lserie, 
                              lserie = as.matrix(lserie))
tibble_lserie <- tibble(df_lserie)
tsibble_lserie <- as_tsibble(df_lserie)

# Primera aproximación al ajuste STL 
# escala log
tsibble_lserie %>%
  timetk::plot_time_series(Fecha, lserie,
                           .interactive = TRUE,
                           .plotly_slider = TRUE)

# Ajuste STL 
# escala log
tibble_lserie %>%  
  mutate(lserie_ajust = smooth_vec(lserie,
                                   span = 0.3,
                                   degree =2)
)

## # A tibble: 120 × 3
##    Fecha      lserie lserie_ajust
##    <date>      <dbl>        <dbl>
##  1 2012-01-01   2.76         2.90
##  2 2012-02-01   2.88         2.92
##  3 2012-03-01   2.98         2.94
##  4 2012-04-01   2.77         2.95
##  5 2012-05-01   3.16         2.97
##  6 2012-06-01   3.16         2.99
##  7 2012-07-01   3.13         3.00
##  8 2012-08-01   3.18         3.02
##  9 2012-09-01   3.06         3.04
## 10 2012-10-01   2.99         3.05
## # ℹ 110 more rows

# Ajuste STL moviendo los parámetros
# escala log
tsibble_lserie %>% mutate(
  lserie_ajus = smooth_vec(lserie, span = 0.3, degree = 2)) %>% 
  ggplot(aes(Fecha, lserie)) + 
  geom_line(size =1.05)+
  geom_line(aes(y = lserie_ajus), color = "blue", size =1.05) +
  theme_bw()

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

1.4.1 STL Tendencia y estacionalidad

tsibble_lserie <- as_tsibble(lserie)

tsibble_lserie %>% 
  model(
    STL(value ~ trend() + 
          season(window = "periodic"),
        robust = TRUE)) %>% 
  components() %>% 
  autoplot() +
  theme_minimal()

1.5 Diferencia Ordinaria

# escala log
tsibble_lserie|>mutate(
  diff_lserie = tsibble::difference(value, lag = 1, 
                                     differences = 1))|>
  autoplot(.vars = diff_lserie, size = 1.05) + 
  labs(subtitle = "Cambios en escala log del valor FOB") +
  theme_bw()

tsibble_lserie <- tsibble_lserie|>mutate(
  diff_lserie = tsibble::difference(value, lag = 1,
                                      difference = 1))

# Diferenciando basado en el objeto tibble
tibble_lserie %>% 
  mutate(diff_lserie = lserie - lag(lserie)) %>% 
  plot_time_series(Fecha, diff_lserie)

tibble_lserie <- tibble_lserie %>% 
  mutate(diff_lserie = lserie - lag(lserie))

1.6 Relaciones no lineales dispersión

par(mar = c(3,2,3,2))
astsa::lag1.plot(lserie, 12, corr = T)

Importaciones Colombianas vía marítima